Advancements in generating analysis-ready backscatter data over land

Abstract

Messungen des Rückstreusignals von Synthetic Aperture Radar (SAR) Sensoren stellen eine unverzichtbare Datenquelle dar, da sie hochauflösende Erdbeobachtungen bei Tag und Nacht sowie unter allen Wetterbedingungen ermöglichen. Die meisten SAR-Sensoren arbeiten im X-, C- und L-Band, einem Frequenzbereich, der sich besonders für die Überwachung des globalen Wasserkreislaufs und der Landoberflächeneigenschaften eignet. Folglich greifen zahlreiche Anwendungen in der Klimaforschung, im Katastrophenmanagement und in der nachhaltigen Ressourcenbewirtschaftung auf SAR-Rückstreudaten zurück, um eine schnelle Kartierung von Überschwemmungen, Schnee, Bodenfeuchte, Vegetation und vielen weiteren bio-geophysikalischen Variablen zu unterstützen. In den vergangenen Jahrzehnten hat die Zunahme von Naturkatastrophen infolge des Klimawandels zu einer deutlich gestiegenen Nachfrage nach SAR-Rückstreudaten mit hoher Auflösung und geringer Latenz geführt. Die stetig wachsenden Datenmengen und die damit verbundenen Verarbeitungsanforderungen bringen sowohl Datenanbieter als auch Nutzende an ihre Grenzen. Darüber hinaus erfolgt die Datenerfassung durch SAR-Sensoren in einer seitlich gerichteten Geometrie, was die Interpretierbarkeit und die Vorverarbeitung, insbesondere bei der Kollokation und radiometrischen Anpassung von Messungen, erschwert. Diese Herausforderungen verdeutlichen den Bedarf an effizienten und standardisierten Prozessierungsketten sowie an gemeinsamen Initiativen zur Bereitstellung von standardisierten Analysis-Ready Daten (ARD). Diese Dissertation greift genau diesen Bedarf auf und verfolgt das Ziel, neue Konzepte zur Erzeugung von harmonisierten Rückstreudaten über Land zu entwickeln. Die Hauptdatenquelle dieser Arbeit sind Ground Range Detected (GRD)-Daten im Interferometric Wide (IW) Swath-Modus der Sentinel-1-Satelliten — die Flaggschiffe und Pioniere des Copernicus Programms der ESA. Diese Daten werden genutzt, um bestehende Qualitätsstandards und Prozessierungsketten zu analysieren. Eine wesentliche Eigenschaft von Sentinel-1 ist die außerordentliche Orbitstabilität, die den Einsatz interferometrischer Verfahren ermöglicht. Ein bislang wenig untersuchter Aspekt ist jedoch der Einfluss dieser Orbitstabilität auf verschiedene Prozessierungsschritte innerhalb der SAR-Vorverarbeitung und Georeferenzierung, bei der sowohl Sigma-Nought-Rückstreukoeffizienten als auch radiometrisch geländekorrigierte (Radiometric Terrain-Corrected, RTC) Gamma-Nought-Rückstreukoeffizienten erzeugt werden.Zur Untersuchung dieses Einflusses wurde eine neue effiziente SAR-Prozessierungssoftware namens wizsard entwickelt, die kalibrierte und georeferenzierte Rückstreudaten bis zu 50 Mal schneller generiert als die Version 8 der SeNtinel Application Platform (SNAP). wizsard ermöglicht es darüber hinaus, Monte-Carlo-Simulationen durchzuführen, bei denen Orbitvariation als Eingangsgrößen und Abweichungen relevanter Prozessierungsparameter als Ausgangsgrößen verwendet werden. Zentrale Parameter wie Einfallswinkel, lokale Rückstreuflächen (Local Contributing Area, LCA) und SAR-Geländemasken zeigen nach der Simulation nur vernachlässigbare Varianzen und können daher für jeden relativen Orbit vorerzeugt werden. Die Entkopplung dieser Parameter von der standardmäßigen Prozessierungkette, ihre Bereitstellung als externe Datenquellen sowie die Erzeugung von Georeferenzierungs-Tabellen führen zu Laufzeitverbesserungen von bis zu 25% für Sigma Nought und 40% für RTC Gamma Nought.Der derzeitige Committee on Earth Observation Satellites (CEOS) ARD-Standard (CEOS-ARD) für normalisierte Radar-Rückstreudaten (Normalised Radar Backscatter, NRB), der auf RTC Gamma Nought basiert, kompensiert systematische, geländeabhängige Geometrieeffekte, berücksichtigt jedoch nicht die streuungsspezifischen Eigenschaften der Landoberfläche. Die Analyse mehrjähriger RTC-Gamma-Nought-Datacubes zeigt eine systematische Einfallswinkelabhängigkeit von RTC Gamma Nought in Abhängigkeit verschiedener Landbedeckungstypen. Diese Abhängigkeit lässt sich durch ein lineares Modell mit einem Regressions- oder Steigungsparameter beschreiben und durch eine Normalisierung des Rückstreusignals auf einen Referenzwinkel korrigieren. Aufgrund der beschränkten Einfallswinkel und des Beobachtungsschemas von Sentinel-1 ist eine solche Normalisierung jedoch nur in bestimmten Regionen möglich. Aufbauend auf der nachgewiesenen Korrelation zwischen temporalen Rückstreustatistiken und dem Regressionsparameter wurde daher ein innovativer Ansatz unter Verwendung eines Feed-Forward Neural Network (FFNN) entwickelt. Dieser Ansatz ermöglicht es, den Regressionsparameter zuverlässig abzuschätzen und RTC-Gamma-Nought-Rückstreudaten auf globaler Ebene zu normalisieren. Die daraus abgeleiteten NRB-Komposite sind großteils unabhängig von streuungsspezifischen Eigenschaften der Landoberfläche und der Geländemorphologie und bilden eine robuste Grundlage für die Landbedeckungs- und Landnutzungsklassifikation sowie für die Ableitung bio-geophysikalischer Parameter. Die in dieser Dissertation vorgestellten Konzepte ermöglichen es Datenanbietern und Nutzenden effizient ARD-NRB-Produkte zu erzeugen. Die gewonnenen Erkenntnisse bilden ein solides Fundament für die Entwicklung zuverlässiger, qualitativ hochwertiger Produkte, welche mit einer geringen Latenz zur Verfügung gestellt werden können. Mit dem bevorstehenden Start künftiger hochauflösender SAR-Missionen wie NISAR und ROSE-L liefert die vorliegende Arbeit einen wichtigen Beitrag zur Verarbeitung von Petabytes an standardisierten ARD-SAR-Rückstreudaten.

Synthetic Aperture Radar (SAR) backscatter measurements are an indispensable data source, offering day-night, all-weather Earth insights at a high spatial resolution. Most SAR sensors operate at X-, C-, and L-band frequencies, which are well-suited for monitoring Earth's water cycle and land surface properties. Consequently, numerous applications in climate research, disaster management, and sustainable resource management rely on SAR backscatter data to enable rapid mapping of floods, snow, soil moisture, vegetation, and many other bio-geophysical variables.In recent decades, the intensification of natural disasters due to climate change has led to a significant increase in demand for low-latency, high-resolution SAR backscatter data. The growing data volumes and required processing resources are pushing both data providers and users to their limits. Additionally, SAR sensors acquire data in a side-looking geometry, complicating interpretability and pre-processing, particularly for co-locating and radiometrically adjusting measurements. These challenges highlight the need for efficient, streamlined processing pipelines and coordinated efforts to provide standardised Analysis-Ready Data (ARD). This doctoral research is motivated by these needs, and aims to develop new concepts to advance the generation of analysis-ready backscatter data over land.The main data source used in this study is Ground Range Detected (GRD), Interferometric Wide (IW) swath SAR data from Sentinel-1 --- the flagship mission of ESA's open-data Copernicus programme --- which is employed to examine existing quality standards and processing frameworks. A key attribute of Sentinel-1 is its exceptional orbital stability, which enables the application of interferometry. However, an underexplored aspect is how Sentinel-1's orbital stability influences different layers in SAR pre-processing workflows that generate sigma nought backscatter and Radiometric Terrain-Corrected (RTC) gamma nought backscatter.To assess this influence, a new lightweight and efficient SAR pre-processing engine named wizsard has been developed, which runs up to 50 times faster than version 8 of SeNtinel's Application Platform (SNAP). wizsard offers the flexibility to perform a Monte Carlo simulation with fluctuating orbital state vectors as input and parameter deviations at various workflow steps as output. Core parameters such as incidence angles, Local Contributing Areas (LCA) and SAR terrain masks exhibit negligible variance after simulation, making them suitable for offline generation for each relative orbit. Decoupling these parameters from the SAR pre-processing workflows, using them as external data sources, and generating persistent geolocation look-up tables results in performance improvements of up to 25% for sigma nought backscatter and 40% for RTC gamma nought backscatter.The current Committee on Earth Observation Satellites (CEOS) ARD standard (CEOS-ARD) for Normalised Radar Backscatter (NRB), based on RTC gamma nought backscatter, mitigates systematic, terrain-related viewing geometry effects but does not account for the scattering characteristics of Earth's land surface. Analysis of multi-year RTC gamma nought backscatter datacubes reveals a systematic incidence angle dependency of RTC gamma nought backscatter across different land cover types. This dependency can be described by a linear model with a single slope parameter and can be corrected by normalising backscatter to a reference incidence angle. Due to Sentinel-1's limited set of incidence angles and its observation scheme, appropriate normalisation is restricted to certain regions. However, building on the correlation between specific temporal backscatter statistics and the slope parameter, a novel machine learning approach using a Feed-Forward Neural Network (FFNN) has been developed. This approach unlocks the capability to estimate the slope parameter and to normalise RTC gamma nought backscatter on a global scale. Uninfluenced by land surface scattering characteristics and terrain geometry, the resulting NRB composites provide a robust foundation for land cover and land use mapping as well as bio-geophysical parameter retrieval.The concepts presented in this dissertation equip data providers and users with the knowledge necessary to efficiently generate ARD NRB products over land. The insights gained throughout this research lay a strong foundation for building reliable, low-latency, and high-quality products and services. With the upcoming launches of next-generation high-resolution SAR missions such as NISAR and ROSE-L, the results of this thesis mark an important step toward preparing to crunch petabytes of standardised ARD SAR backscatter data.